[논문]기계학습과 GloSea5를 이용한 장기 농업기상 예측 : 고랭지배추 재배 지역을 중심으로

김준석; 양미연; 윤상후

doi:10.14400/jdc.2020.18.4.243

[국내논문] 기계학습과 GloSea5를 이용한 장기 농업기상 예측 : 고랭지배추 재배 지역을 중심으로
The long-term agricultural weather forcast methods using machine learning and GloSea5 : on the cultivation zone of Chinese cabbage. 원문보기

디지털융복합연구 = Journal of digital convergence, v.18 no.4, 2020년, pp.243 - 250

김준석 (대구대학교 통계학과) , 양미연 ((재)대구디지털산업진흥원 빅데이터활용센터) , 윤상후 (대구대학교 수리빅데이터학부)

초록
AI-Helper

농작물 재배에 있어 가장 큰 위험 요소는 날씨이므로 재배지의 장기 농업 기상정보를 얻을 수 있다면 정식과 수확 시기 등을 예측할 수 있다. 따라서 체계적인 농작업을 기획하여 관리할 수 있으며 이는 농가의 안정적인 수확으로 이어질 것으로 기대한다. 본 연구는 GloSea5와 기계학습을 이용하여 효과적인 고랭지배추의 재배를 위한 장기 농업기상정보 예측 방법을 제시하였다. GloSea5는 계절예측시스템으로 최대 240일까지의 기상을 예측한다. 심층신경망과 공간랜덤포레스트를 이용하여 장기 일 평균기온을 예측한 결과 심층신경망이 공간랜덤포레스트에 비해 장기예측성능이 우수하였다. 하지만 공간랜덤포레스트는 강원도 전역의 기온을 짧은 시간에 예측하는 장점이 있다. 공간랜덤포레스트로 분석한 결과 여름철과 해발고도가 낮은 지역의 장기 일 평균기온이 잘 예측되었다.

Abstract ▼ AI-Helper

Systematic farming can be planned and managed if long-term agricultural weather information of the plantation is available. Because the greatest risk factor for crop cultivation is the weather. In this study, a method for long-term predicting of agricultural weather using the GloSea5 and machine learning is presented for the cultivation of Chinese cabbage. The GloSea5 is a long-term weather forecast that is available up to 240 days. The deep neural networks and the spatial randomforest were considered as the method of machine learning. The longterm prediction performance of the deep neural networks was slightly better than the spatial randomforest in the sense of root mean squared error and mean absolute error. However, the spatial randomforest has the advantage of predicting temperatures with a global model, which reduces the computation time.

주제어

표/그림 (16)

그림 Fig. 1. Structure diagram of Artificial neural network[10]
그림 Fig. 2. Proposed structure diagram of spatial random forest[13]
그림 Fig. 3. The technique to learn in Machine learning
그림 Fig. 4. The mean temperature in GloSea5
그림 Fig. 5. The location of weather stations and DEM
그림 Fig. 6. The buffer distance for each station
그림 Fig. 7. The projected GloSea5 to 30m
그림 Fig. 8. The observed daily mean temperature
그림 Fig. 9. The spatial distribution of observed temperature
그림 Fig. 10. The predicted spatial distribution by spatial random forest
표 Table 1. The result of validation by DNN and GloSea5
그림 Fig. 11. The mean of RMSE
그림 Fig. 12. The mean of MAE
그림 Fig. 13. The mean of RMSE by month
그림 Fig. 14. The mean of MAE by month
그림 Fig. 15. RMSE result of spacial random forest according to station

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 강원도의 고랭지배추 재배를 위한 장기농업기상정보 예측 방법을 DNN과 공간랜덤포레스트로 제시하였다. 농업기상정보를 예측하기 위해 사용된 GloSea5의 입력자료는 2017년 1월 4일부터 2017년 8월 4일까지이며 관측 자료는 2016년 1월 1일부터 8월 7일의 일 평균기온 자료가 사용되었고 모델예측 검증은 2017년 1월 5일부터 2017년 11월 18일까지 강원도 일 평균기온 관측 자료가 사용되었다.
본 연구에서는 고랭지배추의 주산지인 강원도 일대의 장기 농업기상정보를 고해상도로 생산하는 방법을 다루고자 한다. 장기예측을 위해 계절예측시스템인 GloSea5자료를 이용하였다.
DNN 특성상 활성화함수의 가중치를 계산해야 하므로 30일 단위의 예측결과만 Table 1에 반영되었다. 이에 본 연구에서는 공간랜덤포레스트를 통해 강원도 전역의 일 평균기온을 예측 하는 방법을 제시하고자 한다.

제안 방법

또한, 관측소별 딥러닝 모델을 구축하여 넓은 지역의 농업기상정보를 생산하는 계산시간이 오래 걸리는 문제점이 있다[10]. 본 연구는 거리에 따른 상관성이 고려된 공간 기계학습법인 공간랜덤포레스트를 적용하여 고해상도 장기 농업기상정보인 일 평균기온을 예측하였다. 예측모델의 정확성을 평가하기 위해 일 평균기온 예측값과 관측값의 차이를 이용한 평균제곱근오차(Root Mean Square Error, RMSE), 평균절대오차(Mean Absolute Error, MAE)를 사용하였다.
Hengl 등(2018)은 랜덤포레스트는 비공간적 접근법으로 이를 해결하기 위하여 공간적 관계를 설명하는 버퍼거리를 추가한 공간랜덤분포를 제안하였다[13]. 본 연구는 입력변수로 해발고도(Digital Elevation Model, DEM)와 GloSea5 그리고 버퍼거리(Buffer distance)를 고려하였다(Fig. 2).
본 연구에서는 R의 ‘projectRaster’ 함수를 이용하여 해발고도, GloSea5, 버퍼거리의 해상도를 bilinear방법을 통해 30m로 맞추었다.
예측모델의 예측성능을 평가하기 위해 예측값과 실제 관측값의 차이를 계산하였다. 평가 기준으로 RMSE, MAE를 사용하였고 그 식은 아래와 같다.

대상 데이터

강원도의 고해상도 농업기상정보를 예측하기 위해 사용된 GloSea5의 입력자료는 2017년 1월 4일부터 2017년 8월 4일이다. 자료의 훈련은 Fig.
하지만 GloSea5는 해상도가 낮고 해발고도가 고려되지 않은 기상정보를 생산하므로 고랭지배추 재배지의 기상정보로 가공하기 위해선 기계학습방법이 필요하다. 기계학습을 위해 강원도에 설치 운영중인 종관기상관측장비, 방재기상관측장비, 그리고 농업기상관측소에서 수집된 2016년부터 2017년까지의 일평균기온 자료를 사용하였다.
본 연구에서는 강원도의 고랭지배추 재배를 위한 장기농업기상정보 예측 방법을 DNN과 공간랜덤포레스트로 제시하였다. 농업기상정보를 예측하기 위해 사용된 GloSea5의 입력자료는 2017년 1월 4일부터 2017년 8월 4일까지이며 관측 자료는 2016년 1월 1일부터 8월 7일의 일 평균기온 자료가 사용되었고 모델예측 검증은 2017년 1월 5일부터 2017년 11월 18일까지 강원도 일 평균기온 관측 자료가 사용되었다.
3과 같이 수행되므로 실제 관측자료는 2016년 1월 1일부터 8월 7일의 일 평균기온이다. 모델예측 검증은 2017년 1월 5일부터 2017년 11월 18일까지 강원도 일 평균기온 관측 자료가 사용되었다.
Glosea5는 14년간(1996~2009년)의 과거재현자료 HCST(Hindcast)와 실시간예측자료인 FCST(Forecast)로 구성되어 있다. 본 연구는 실시간예측자료인 FCST를 사용한다. FCST는 1개월 예보용(월 예측)과 3개월 예보용(계절예측)으로 나누어져 있으며 매일 2개씩, 총 4개의 앙상블 멤버를 수행한다.
본 연구에서 기계학습에 사용한 자료는 GloSea5, 고도자료(DEM), 버퍼거리, 그리고 강원도 지역에서 관측한 일 평균기온이다.
기계학습을 통해 자료를 설명하는 모델을 세우기 위해선 훈련자료와 검증자료의 구분이 필요하다. 본 연구에서는 현재 시점의 1년 전 자료를 훈련자료로 사용하고 현재 시점 자료를 검증자료로 사용하였다. 예를 들어 2017년 11월 14일을 기준으로 계절예측을 한다고 하자.
본 연구에서의 모델은 1년 전 GloSea5만 훈련자료로 사용하였다. 만약 과거 20년~30년까지의 GloSea5를 훈련시켜 예측한다면 평년의 개념과 유사하게 평균적인 장기계절예측을 할 수 있다.
예로 강원도 지역을 대상으로 2017년 7월 31일의 GloSea5 입력자료는 Fig. 7이다. 기상관측장비에서 측정한 관측값은 Fig.
고랭지배추가 재배되는 밭의 일 평균기온을 예측하기 위해선 GloSea5의 예측값과 실제 관측값 사이의 관계를 기계학습을 통해 훈련시켜야 한다. 이를 위해 기상청에서 강원도에 설치하여 운영하고 있는 기상관측장비 85개를 이용하였다. 기상관측장비의 위치는 Fig.
자료의 수가 충분하지 않으므로 본 연구는 ±3일을 추가하여 2016년 11월 11일부터 2016년 11월 17일까지 자료를 훈련자료로 사용하였다.
본 연구에서는 고랭지배추의 주산지인 강원도 일대의 장기 농업기상정보를 고해상도로 생산하는 방법을 다루고자 한다. 장기예측을 위해 계절예측시스템인 GloSea5자료를 이용하였다. 하지만 GloSea5는 해상도가 낮고 해발고도가 고려되지 않은 기상정보를 생산하므로 고랭지배추 재배지의 기상정보로 가공하기 위해선 기계학습방법이 필요하다.

데이터처리

본 연구는 거리에 따른 상관성이 고려된 공간 기계학습법인 공간랜덤포레스트를 적용하여 고해상도 장기 농업기상정보인 일 평균기온을 예측하였다. 예측모델의 정확성을 평가하기 위해 일 평균기온 예측값과 관측값의 차이를 이용한 평균제곱근오차(Root Mean Square Error, RMSE), 평균절대오차(Mean Absolute Error, MAE)를 사용하였다.
예측모델의 예측성능을 평가하기 위해 예측값과 실제 관측값의 차이를 계산하였다. 평가 기준으로 RMSE, MAE를 사용하였고 그 식은 아래와 같다.

이론/모형

또한 2010년부터 우리나라 기상청과 영국 기상청(Met Office)이 공동구축 및 운영 중이며 전지구 기후모델인 HadGEM(Hadley Center Global Environmental Model)을 기반으로 개발되었다. 대기모델은 Unified Model(UM), 해양모델은 Nucleus for European Modeling of the Ocean(NEMO), 해빙모델은 Community Ice CodE(CICE)와 지표모델은 Joint UK Land Environment Simulator(JULES)로 이루어졌으며 결합자(Coupler)는 Ocean Atmosphere Sea Ice Soil3(OASIS3)이다[14-18].
버퍼거리는 기상관측장비 사이의 거리를 유클리디안(Euclidean) 방법을 이용하여 계산하였다. Fig.
하지만 슬라이딩창을 이용할 경우 계절의 변화에 따른 추세성이 반영되어 장기예측의 정확성이 낮아지는 문제점이 발생하였다. 이 문제를 해결하기 위해 본 연구에서는 공간랜덤포레스트(Spatial Random Forest, sRF) 방법을 통해 계절 성분을 제거하여 자료를 훈련시켰다. 또한, 관측소별 딥러닝 모델을 구축하여 넓은 지역의 농업기상정보를 생산하는 계산시간이 오래 걸리는 문제점이 있다[10].

성능/효과

3의 방식으로 수행하였다. DNN과 공간랜덤포레스트를 비교한 결과 단중기예측(60일)은 공간랜덤포레스트가 예측을 잘하지만 90일 이후인 장기예측은 DNN이 더 우수했다. 하지만 DNN은 관측소별 모델로 구현되어 공간랜덤포레스트에 비해 계산시간이 오래 걸리는 단점이 있다.
12와 같다. RMSE를 기준으로 하였을 때 50일부터 90일까지의 예측성능이 비교적 좋은 것을 확인할 수 있고 150일 이후의 장기예측력은 낮았다(Fig. 11). MAE도 RMSE와 유사한 패턴을 보인다(Fig.
공간랜덤포레스트의 RMSE는 3.0~3.7이며 DNN의 RMSE와 비교해 보면 60일까지의 예측성능은 공간랜덤포레스트가 좋지만 90일 이후의 예측성능은 DNN이 우수했다. 공간랜덤포레스트의 장기 예측성능은 DNN에 비해 부족하나 하나의 모델로 전체지역을 예측하므로 DNN에 비해 계산시간이 짧다.
인공신경망의 기법 중 은닉층이 2개 이상일 경우 심층신경망이라고 하며 심층신경망을 학습시키는 기술을 딥러닝이라 한다[11]. 기존의 기계학습보다 나은 성능을 가지기 위해 데이터 연산 속도의 향상, 데이터양의 증가, 인공신경망 알고리즘 개선을 하였다. 인공신경망 내부의 노드를 비활성화 시키는 것과 같은 인공신경망을 구조적으로 변화를 시키거나 인공신경망의 은닉층의 수를 늘리는 것을 통해 정확도를 향상 시킬 수 있다.

후속연구

이는 해발고도가 높은 지역의 훈련자료가 충분하지 않아 고산지의 평균기온 특성이 제대로 훈련되지 않았기 때문이다. 따라서 고산지역에 관측소를 추가설치 운영한다면 고랭지 지역의 농업기상정보의 정확성을 향상시킬 것이다.
또한 연도별 자료를 샘플링하여 모델을 앙상블시키면 장기예측의 불확실성을 평가할 수 있다. 추가적으로 해발고도가 높은 지역의 관측 자료가 충분하지 않아 예측성능이 좋지 않으므로 향후 고산지역에 관측소를 추가설치 운영한다면 고랭지배추지역의 장기 농업기상예측성능 향상에 도움이 될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	농작물 재배에 있어 가장 큰 위험 요소는 무엇인가?	농작물 재배에 있어 가장 큰 위험 요소는 날씨이므로 재배지의 장기 농업 기상정보를 얻을 수 있다면 정식과 수확 시기 등을 예측할 수 있다. 따라서 체계적인 농작업을 기획하여 관리할 수 있으며 이는 농가의 안정적인 수확으로 이어질 것으로 기대한다.
	GloSea5는 최대 며칠까지의 기상을 예측하는가?	본 연구는 GloSea5와 기계학습을 이용하여 효과적인 고랭지배추의 재배를 위한 장기 농업기상정보 예측 방법을 제시하였다. GloSea5는 계절예측시스템으로 최대 240일까지의 기상을 예측한다. 심층신경망과 공간랜덤포레스트를 이용하여 장기 일 평균기온을 예측한 결과 심층신경망이 공간랜덤포레스트에 비해 장기예측성능이 우수하였다.
	농작물 재배에 있어 가장 큰 위험 요소가 날씨인 이유는 무엇인가?	농작물 재배에 있어 가장 큰 위험 요소는 날씨이다. 온도, 습도, 강우량, 조도량 등의 기상요인이 농작물 생육에 영향을 미치기 때문이다. 작물마다 성장환경 조건이 상이하므로 농작물 재배 기간의 기상정보를 수집한다면 효율적인 농작업을 위한 기초자료로 활용할 수 있다[1,2].

참고문헌 (18)

M. H. Na, Y. H. Park & W. H. Cho. (2017). A study on optimal environmental factors of tomato using smart farm data. Journal of the Korean Data & Information Science Society, 28(6), 1427-1435.

원문보기 상세보기
B. J. Kang & H. C. Cho. (2016). System of Agricultural Land Monitoring Using UAV. Journal of the Korea Academia-Industrial cooperation Society, 17(6), 372-378.

원문보기 상세보기
M. Kim, S. Hong & S. Yoon. (2018). The Comparison of Peach Price and Trading Volume Prediction Model Using Machine Learning Technique. Journal of The Korean Data Analysis Society, 20(6), 2933-2940.

상세보기
M. I. Jung, S. W. Son, J. Choi & H. S. Kang. (2015). "Assessment of 6-Month Lead Prediction Skill of the GloSea5 Hindcast Experiment". Atmosphere, 25(2), 323-337.

원문보기 상세보기
K. H. Son, D. H. Bae & H. S. Cheong. (2015). Construction & Evaluation of GloSea5-Based Hydrological Drought Outlook System. Atmosphere 25(2), 271-281.

원문보기 상세보기
J. S. Min, M. H. Lee, J. B. Jee & M. Jang. (2016). A Study of the Method for Estimating the Missing Data from Weather Measurement Instruments. Journal of Digital Convergence, 14(8), 245-252.

원문보기 상세보기
J. H. Ha, Y. H. Lee & Y. H. Kim. (2016). Forecasting the precipitation of the next day using deep learning. Journal of Korean Institute of Intelligent Systems 26(2), 93-98.

원문보기 상세보기
Tran Q. K. & S. K. Song. (2017). Water Level Forecasting based on Deep Learning: A Use Case of Trinity River-Texas-The United States. Journal of KIISE 44(6), 607-612.

원문보기 상세보기
I. C. Son et al. (2015). Effects of Differentiated Temperature Based on Growing Season Temperature on Growth and Physiological Response in Chinese Cabbage 'Chunkwang'. Korean Journal of Agricultural and Forest Meteorology, 17(3), 254-260.

원문보기 상세보기
M. Yang & S. Yoon. (2018). Production of agricultural weather information by Deep Learning. Journal of Digital Convergence, 16(12), 293-299.

원문보기 상세보기
N. R. Jo. (2017). Design and Implementation of criminal Identification System Based on Deep Learning. Master dissertation, Gachon University, Gyeonggi.
Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
Hengl, T., Nussbaum, M., Wright, M. N., Heuvelink, G. B. & Graler, B. (2018). Random forest as a generic framework for predictive modeling of spatial and spatio-temporal variables. PeerJ, 6, e5518.

상세보기
Davies, T. et al.(2005). A new dynamical core for the Met Office's global and regional modelling of the atmosphere. Quarterly Journal of the Royal Meteorological Society: A journal of the atmospheric sciences, applied meteorology and physical oceanography, 131(608), 1759-1782.

상세보기
Madec, G. (2008). the Nemo team (2008) NEMO ocean engine. Note du Pole de modelisation, Institut Pierre-Simon Laplace (IPSL), France, (27).
Bailey, D. et al.(2010). Community ice CodE (CICE) user's guide version 4.0. National Center for Atmospheric Research, Boulder, Colorado, 22.
Best, M. J. et al.(2011). The Joint UK Land Environment Simulator (JULES), model description- Part 1: energy and water fluxes. Geoscientific Model Development, 4(1), 677-699.

상세보기
Valcke, S. (2013). The OASIS3 coupler: a European climate modelling community software. Geoscientific Model Development, 6(2), 373.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증